ĐIỀU ĐỘ NGUÔN PHÁT NHIỆT ĐIỆN BẰNG PHƯƠNG PHÁP PARTICLE SWARM OPTIMIZATION CẢI TIẾN

Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến LỜI MỞ ĐẦU Như ta biết, trong hệ thống điện tính liên tục cung cấp điện luôn đượ

GIỚI THIỆU CHUNG

Tổng quan

Bài toán phối hợp tối ưu các tổ máy phát nhiệt điện là một bài toán quan trọng trong hệ thống điện nhằm giảm chi phí phát điện đến mức thấp nhất có thể đã được nghiên cứu và đưa ra nhiều phương pháp giải trong những thập niên gần đây Với thời gian vận hành các nhà máy nhiệt điện lâu dài, nhiên liệu hóa thạch là nguồn hữu hạn Từ đó bài toán đặt ra là phải sử dụng loại nhiên liệu nào là hợp lý cho mức công suất yêu cầu

Trước đây, mỗi tổ máy chỉ sử dụng một loại nhiên liệu để đốt, điều này có nghĩa mỗi tổ máy chỉ có một hàm chi phí bậc hai duy nhất Tuy nhiên, ngày nay mỗi tổ máy có thể sử dụng nhiều loại nhiên liệu, và mỗi nhiên liệu được dùng sẽ tương ứng với mức công suất phát ra Do đó, mỗi tổ máy được biểu diễn xấp xỉ thành nhiều hàm bậc hai tương ứng với các giới hạn công suất và nhiên liệu khác nhau Khó khăn cho vận hành các tổ máy này là làm như thế nào để xác định được nguồn nhiên liệu để đốt mang lại hiệu quả kinh tế nhất

Những nghiên cứu về bài toán phối hợp tối ưu tổ máy phát đã được thực hiện nhiều với những dự kiện bài toán khác nhau với đa dạng phương pháp như giải thuật MPSO [1], mạng neural nhân tạo Lagrangian [2], mạng noron Hopfield (Hopfield neural network _HNN) [3], lập trình tiến hóa (EP-Evolution programming) [4], DE (differential evolution) [5], giải thuật SDE cải tiến [6] và các phương pháp khác

Các phương pháp được sử dụng ở trên được phân tích kỹ nhằm tìm ra những thuận lợi và khó khăn khi áp dụng Phương pháp ở [1] giữ nguyên giả thiết các hàm chi phí bậc hai theo từng đoạn và giải bài toán Dò tìm phân cấp dựa vào phương pháp số là phương pháp được sử dụng ở [1] để giải bài toán Tuy nhiên, việc giải bài toán bằng phương pháp số sẽ rất khó khăn trong những hệ thống lớn Ứng dụng Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến mạng neural Hopfield ở [2] gặp khó khăn trong bài toán có nhiều ràng buộc bởi bất đẳng thức Ngoài ra, sự hội tụ của phương pháp này còn phụ thuộc vào lựa chọn các hệ số phạt cho các ràng buộc Với phương pháp ELANN ở [2], các nhân tử Lagrangian được cải thiện nhằm đảm bảo tính hội tụ và cho các kết quả tối ưu Việc ứng dụng mạng noron Hopfield (Hopfield neural network _HNN) [3] với ưu điểm là đơn giản thì lại gặp những khó khăn trong xử lý một số ràng buộc bất đẳng thức, và những bài toán lớn với nhiều ràng buộc bởi bất đẳng thức Ngoài ra, sự hội tụ của HNN cũng phụ thuộc vào sự lựa chọn các hệ số phạt cho các ràng buộc

Tuy nhiên, cả hai phương pháp ở [2] và [3] đều có số vòng lặp lớn, thời gian dài để cho kết quả tối ưu cuối cùng Phương pháp ở [5], [6] được xem là công cụ giải bài toán có ràng buộc phức tạp hơn Hai phương pháp này được ứng dụng cho hàm chi phí có xét đến hiệu ứng xả van, đây là điều kiện khó mà các phương pháp khác khó thực hiện Một phương pháp mới, phương pháp AHNN (Adaptive Hopfield neural network) [7] là sự cải tiến phương pháp ở [3] bằng việc điều chỉnh độ dốc và độ lệch các neural suốt quá trình thực hiện nhằm đạt kết quả nhanh hơn Một phương pháp đưa ra chiến lược dò tìm hàm chi cũng đem lại kết quả tốt, phương pháp ALHN [8] Kết quả thời gian mô phỏng và chi phí được so sánh cho thấy đây là một phương pháp tối ưu Sử dụng hàm Lagrange và phương pháp lặp theo các giá trị lamda được thay đổi, phương pháp ở [9] sau 93 lần thử nghiệm cũng tìm ra kết quả tối ưu có thể so sánh với các phương pháp trên Kết hợp lý thuyết nhân tử Lagrange và hàm chi phí tương đương (LI) nhờ vào công cụ matlab đã được áp dụng [10], phương pháp này cho kết quả và thời gian tính toán khá hiệu quả.Các phương pháp trên được nghiên cứu để giải quyết bài toán ELD trong trường hợp Convex Trong khi các phương pháp CGA_MU và IGA_MU [11], NPSO và NPSO_LRS [12] được đánh giá khá cao để giải quyết bài toán ELD trong trường hợp non-convex Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Giới thiệu phương pháp PSO

PSO là một kỹ thuật tìm kiếm tối ưu toàn cục tự thích nghi được giới thiệu bởi Kennedy và Eberhart [13].Giải thuật tươnng tự các giải thuật dựa vào quần thể khác như giải thuật di truyền nhưng nó không có sự tổ hợp lại của các tác nhân trong quẩn thể.Thay vào đó, nó dựa trên ứng xử xã hội của các cá thể.Trong mỗi thế hệ, mỗi cá thể tự điều chỉnh quỹ đạo dựa trên vị trí tốt nhất của nó (Local best) và vị trí của cá thể tốt nhất (Global best) trong cả quần thể Khái niệm này làm tăng tính tự nhiên của các cá thể và nhanh chóng đạt tới giá trị tối ưu toàn cục với giải pháp tốt nhất

Giải thuật tối ưu hóa bầy đàn (Particle Swarm Optimization – PSO) lấy ý tưởng từ cách đàn chim tìm thức ăn, nguồn nước.Theo giả thuyết của bài toán, các cá thể ban đầu được dựng lên trong không gian đó Mỗi cá thể có một vận tốc ban đầu, và giữa các cá thể cũng có kênh liên lạc Các cá thể sau đó di chuyển trong không gian lời giải, mỗi cá thể sẽ được đánh giá bằng một hay nhiều tiêu chuẩn thích nghi, dần dần các cá thể này sẽ di chuyển về phía những cá thể tốt hơn trong phạm vi của chúng Quần thể ban đầu gồm n cá thể (mỗi cá thể là một lời giải cho bài toán, nhưng chọn tối ưu) Mỗi cá thể thứ i trong quần thể được biểu diễn bởi một vector Xi d chiều (giá trị d tùy thuộc vào mỗi bài toán khác nhau và cách xử lý khác nhau), và một vector vận tốc Vi d chiều với i = 1,…,n Hàm mục tiêu của bài toán là f: Rd →R

Trong PSO, mỗi cá thể được gọi là một hạt (Particle) và đại diện cho một giải pháp ứng cử cho vấn đề tối ưu hóa Nó bay qua không gian tìm kiếm với một vận tốc được tự động điều chỉnh theo kinh nghiệm riêng và các hạt láng giềng của nó Giả sử rằng vị trí hiện vector vận tốc và vector của hạt thứ i trong không gian tìm kiếm d-chiều có thể được ký hiệu là Xi = (Xi1, Xi2, , Xid) và Vi = (Vi1, Vi2, ,

Vid), tương ứng Các vị trí tốt nhất của hạt thứ i và vùng lân cận của nó được biểu diễn như là Pbesti = (Pbesti1, Pbesti2, , Pbestid) và Nbesti = (Nbesti1, Nbesti2, , Nbestid) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Sau đó, vận tốc mới và vị trí của con chim được tính toán bằng cách sử dụng hai phương trình sau đây:

Vi= Vi + c1.rand1.(Pbesti – Xi) + c2.rand2.(Nbesti – Xi)

Với: c1 và c2 là các hằng số gia tốc rand1 và rand2 được lấy ngẫu nhiên giữa 0 và 1 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

THUẬT TOÁN PSO DÙNG CHO BÀI TOÁN ĐIỀU ĐỘ KINH TẾ NGUỒN PHÁT NHIỆT ĐIỆN

Phương pháp Global vision of PSO with inertia weight (GWPSO)

Xét bài toán gồm có n chiều di chuyển, vec-tơ vị trí và vận tốc của mỗi phần tử là: Xd = [X1d, X2d, …, Xnd] và Vd = [V1d, V2d, …,Vnd], với d = 1,…, NP và NP là số lượng phần tử Vị trí tốt nhất đầu tiên của phần tử d được xác định trên cơ sở giá trị của hàm khả dụng là: Pbestid = [P1d, P2d, …, Pnd] và phần tử tốt nhất trong tất cả các phần tử được gọi là Gbest Vận tốc và vị trí của mỗi phần tử trong bước lập kế tiếp (k+1) với giá trị hàm khả dụng được tính như sau:

X = X + V (2.2) là tham số trọng lượng Nó được thiết lập giảm tuyến tính từ max đến min, thường được giảm tuyến tính từ 0,9 đến 0,4 ω được tính theo phương trình sau đây: ω = ω − ×k (2.3)

Itermax là số lần lặp lớn nhất và k là số lần lặp hiện tại Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Phương pháp Global vision of PSO with contriction factor (GCPSO)

Phương pháp này cách làm giống với phương pháp GWPSO ta chỉ thay thế tham số trọng lượng ω bằng hệ số giới hạn K Phương trình cập nhật vận tốc như sau:

Trong phương pháp GCPSO, hệ số ảnh hưởng tới đặc tính hội tụ của hệ thống và phải lớn hơn 4.0 để đảm bảo ổn định.Tuy nhiên, nếu giá trị tăng, giới hạn C giảm sẽ làm đa dạng hóa hướng nghiệm và đáp ứng sẽ chậm hơn Thông thường chọn giá trị là 4.1 ( c1 = 2.05).

Phương pháp Local vision of PSO with inertia weight (LWPSO)

Trong phương pháp PSO này, các cá thể cập nhật vận tốc theo Pbesti và Lbesti = (Lbesti1, Lbesti2, , Lbestid), đó là cá thể tốt nhất trong khu vực lân cận của nó Trong LWPSO kích thước khu vực lân cận được thiết lập là hai Lấy vị trí i, (i +1), và (i - 1) so sánh Pbest của nó với nhau,và sau đó, phần tử tốt nhất trong số đó sẽ được xác định như Lbest i

Vận tốc và vị trí của mỗi phần tử trong bước lập kế tiếp (k+1) với giá trị hàm khả dụng được tính như sau:

X = X + V (2.7) ω = ω − ×k (2.8) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Phương pháp Lobal vision of PSO with contriction factor (LCPSO)

Phương pháp này cách làm giống với phương pháp LWPSO ta chỉ thay thế tham số trọng lượng ω bằng hệ số giới hạn K

Phương trình cập nhật vận tốc như sau:

Phương pháp Improved Particle Swarm Optimization (IPSO)

Phương pháp này dựa trên với phương pháp LCPSO, nhưng kích thước vùng lân cận được tăng lên đến khi bằng kích thước toàn bộ cá thể (lúc này Lbest Gbest) Đồng thời tham số rand và rand được thay thế bằng 2 tham số Cauchy và Phương trình cập nhật vận tốc và vị trí như sau:

K =| | (2.16) φ = c + c , φ > 4 (2.17) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Ví dụ: Ta tiến hành khảo sát Lbest với số lượng phần tử bầy đàn NP = 10 i vị trí cá thể khảo sát, Nn là số lượng con chim (hạt) lân cận Nn=2n

Số lượng các hạt lân cận ứng với vị trí từng cá thể (vùng bôi màu) như sau:

 Khi n = 2 i = 1 1 2 3 4 5 6 7 8 9 10 i = 2 1 2 3 4 5 6 7 8 9 10 i = 3 1 2 3 4 5 6 7 8 9 10 i = 4 1 2 3 4 5 6 7 8 9 10 i = 5 1 2 3 4 5 6 7 8 9 10 i = 6 1 2 3 4 5 6 7 8 9 10 i = 7 1 2 3 4 5 6 7 8 9 10 i = 8 1 2 3 4 5 6 7 8 9 10 i = 9 1 2 3 4 5 6 7 8 9 10 i = 10 1 2 3 4 5 6 7 8 9 10 i = 1 1 2 3 4 5 6 7 8 9 10 i = 2 1 2 3 4 5 6 7 8 9 10 i = 3 1 2 3 4 5 6 7 8 9 10 i = 4 1 2 3 4 5 6 7 8 9 10 i = 5 1 2 3 4 5 6 7 8 9 10 i = 6 1 2 3 4 5 6 7 8 9 10 i = 7 1 2 3 4 5 6 7 8 9 10 i = 8 1 2 3 4 5 6 7 8 9 10 i = 9 1 2 3 4 5 6 7 8 9 10 i = 10 1 2 3 4 5 6 7 8 9 10 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

 Ta thấy rằng, khi tăng dần kích thước vùng lân cận lên thì giá trị Lbest càng tiếp cận đến Gbest Và khi n = NP - 1 việc tìm Lbest trở thành tìm Gbest i = 1 1 2 3 4 5 6 7 8 9 10 i = 2 1 2 3 4 5 6 7 8 9 10 i = 3 1 2 3 4 5 6 7 8 9 10 i = 4 1 2 3 4 5 6 7 8 9 10 i = 5 1 2 3 4 5 6 7 8 9 10 i = 6 1 2 3 4 5 6 7 8 9 10 i = 7 1 2 3 4 5 6 7 8 9 10 i = 8 1 2 3 4 5 6 7 8 9 10 i = 9 1 2 3 4 5 6 7 8 9 10 i = 10 1 2 3 4 5 6 7 8 9 10 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

BÀI TOÁN ĐIỀU ĐỘ KINH TẾ NGUỒN PHÁT NHIỆT ĐIỆN SỬ DỤNG ĐA NHIÊN LIỆU

Bài toán nghiên cứu

Bài toán đưa ra là hệ thống có N tổ máy nhiệt điện và mỗi tổ máy có thể sử dụng một hoặc M loại nhiên liệu khác nhau với hàm chi phí nhiên liệu của mỗi tổ máy là hàm bậc hai và mỗi tổ máy được giới hạn bởi công suất phát Làm thế nào

Các ký hiệu

Các ký hiệu trong bài toán: aik, bik, cik, dik, eik : các hệ số chi phí cho tổ máy i với nhiên liệu loại k

(Trường hợp convex dik= eik=0)

F ik : Hàm chi phí tổ máy thứ i với nhiên liệu loại k i : chỉ số của các tổ máy phát k : chỉ số của loại nhiên liệu

P D : tổng nhu cầu phụ tải của hệ thống (MW)

P i : công suất phát của tổ máy i (MW) max min, i i P

P : giới hạn dưới và trên về công suất của tổ máy i (MW) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Xây dựng mô hình bài toán

Hàm mục tiêu là cực tiểu chi phí các tổ máy nhiệt điện sử dụng nhiều loại nhiên liệu và mỗi loại nhiên liệu tương ứng với một đường cong bậc hai khác nhau trong tất cả các khoảng thời gian phát điện Các chi phí khởi động nhà máy điện được bỏ qua vì xem như là khởi động lần đầu và không ngừng hoạt động Cực tiểu chi phí phát điện là xác định công suất phát và loại nhiên liệu sử dụng của từng tổ máy sao cho tổng chi phí phát điện là nhỏ nhất

Hình 3-1: Hàm chi phí của một tổ máy tương ứng với từng loại nhiên liệu trường hợp Convex Một tổ máy được giả sử có 3 loại nhiên liệu như hình 3.1 Mỗi loại nhiên liệu tương ứng với một đường cong bậc hai, điểm bắt đầu đường cong đầu tiên là điểm giới hạn công suất nhỏ nhất của tổ máy, điểm kết thúc của mỗi đường cong bậc hai là điểm giới hạn công suất lớn nhất của nhiên liệu tương ứng với đường cong đó Đường thẳng tuyến tính bậc nhất nằm trên mỗi đường cong chính là suất tăng tương đối tiêu hao nhiên liệu tương ứng với đường cong đó Và những đường thẳng này sẽ được sử dụng để giải bài toán

P P = P P = P P Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Hình 3-2: Hàm chi phí của một tổ máy tương ứng với một loại nhiên liệu trường hợp Nonconvex Trong trường hợp nonconvex, mỗi một đoạn đường cong ứng với một loại nhiên liệu sẽ có những đường cong bậc 2 bám theo, cách tính tương tự như trường hợp convex chỉ thêm 2 hệ số chi phí d và e

Nhiên liệu k Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Tổng chi phí phát điện của mỗi tổ máy thứ i là nhỏ nhất

3.3.2 Ràng buộc cân bằng công suất :

Cân bằng công suất phát của các tổ máy trong nhà máy nhiệt điện và bỏ qua tổn thất trong các tổ máy và tổn thất trên đường dây truyền tải:

3.3.3 Ràng buộc giới hạn công suất phát :

P ≤ P ≤ P (3.5) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

ÁP DỤNG PHƯƠNG PHÁP IPSO CHO BÀI TOÁN ĐIỀU ĐỘ NGUỒN PHÁT NHIỆT ĐIỆN SỬ DỤNG ĐA NHIÊN LIỆU

Khởi tạo

Một tập hợp gồm NP con chim chủ được biểu diễn bằng X = [X1, X2, …,

XNP] T , trong đó với mỗi tổ chim Xd (d = 1, , NP) đại diện cho một vector nghiệm của các biến cho bởi Xd = [Psi,d], Pid là công suất phát của tổ máy thứ i tương ứng với con chim thứ d

Trong PSO, mỗi con chim đại diện cho một nghiệm được tạo ra một cách ngẫu nhiên trong quá trình khởi tạo Vector Xd = [P2,d, P3,d,…,PN,d] của tổ chim thứ d bao gồm tổ máy thứ 2 đến tổ máy thứ N Công suất phát của các tổ máy từ Np con chim được chọn ngẫu nhiên và thỏa mãn Pi,min  Pi,d  Pi,max:

Trong đó rand 1 là một số ngẫu nhiên phân bố đều trong khoảng [0,1] cho mỗi tập hợp tổ chim chủ

Dựa trên khởi tạo tập hợp các con chim, hàm mục tiêu được tối thiểu hóa tương ứng với mỗi tổ chim, và được được tính như sau:

FT = a + b P + c P + d sin e P − P + K (P − P ) (4.3) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Trong đó Ks là hệ số phạt cho tổ máy cân bằng, Pds1 là công suất phát của tổ máy cân bằng được tính như sau:

Và P 1 lim là giới hạn công suất phát của tổ máy cân bằng được tính như sau:

Trong đó P 1max và P 1min là công suất phát cực đại và cực tiểu của tổ máy cân bằng

Mỗi con chim Xd trong tập hợp NP được chọn là con chim Pbestd (d=1, ,NP) và con chim ứng với giá trị hàm mục tiêu tốt nhất trong vùng lân cận tìm kiếm là con chim Lbest.

Vị trí mới được tạo ra thông qua tìm kiếm Lbest

Xét bài toán số lượng con chim (hạt) lân cận Nn = 2n, vec-tơ vị trí và vận tốc của mỗi con chim là: Xid=[X1d, X2d, …, XNd] và Vid = [V1d, V2d, …,VNd], với d=1,…, NP với NP là số lượng con chim

Vị trí tốt nhất đầu tiên của phần tử d được xác định trên cơ sở giá trị của hàm khả dụng là: Pbestid = [P1d, P2d, …, PNd] và con chim tốt nhất trong lân cận tìm kiếm gọi là Lbest

Tính hàm chi phí ứng với từng Pbest theo (4.2) Đặt Xid = Pbestid cho mỗi phần tử, so sánh hàm chi phí của từng cá thể trong vùng lân cận của nó tìm FLbestd = min(FPbestd) Xác định Lbestid tương ứng với

Tính vận tốc mới và cập nhật vị trí cho mỗi phần tử theo phương pháp IPSO ở mục 2.5 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Với điều kiện ràng buộc:

Tính toán lại giá trị FT cho con chim mới rồi so sánh với giá trị FT cũ để xác định giá trị mới của Pbest và Lbest.

Tiêu chuẩn dừng (Stopping criteria)

Chương trình kết thúc khi số vòng lặp đạt giá trị thiết lập

Lựa chọn các thông số: Trong phương pháp PSO thông số điều khiển được xử lý bao gồm số con chim, số vòng lặp, hệ số nhận thức xã hội c 1 , c 2 , , Trong các thông số thì số con chim và số vòng lặp có thể dễ dàng được cố định tùy thuộc vào hệ thống Đối với hệ thống nhỏ với những ràng buộc đơn giản số con chim và số vòng lặp được thiết lập để giá trị nhỏ Ngược lại cho các hệ thống lớn với các ràng buộc phức tạp số tổ và số vòng lặp có thể lớn hơn Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Thuật toán lặp

Bước 1: Chọn các thông số điều khiển PSO bao gồm số lượng phần tử bầy đàn

NP, số lượng nhiên liệu sử dụng M, số lượng hạt lân cận Nn, tổng số vòng lặp Iter max , hệ số nhận thức và hệ số xã hội c 1 và c 2 , tham số cauchy , theo công thức (2.14) và (2.15), hệ số chi phí a, b, c (convex) a, b, c, d, e (nonconvex) và hệ số phạt Ks

Bước 2: Khởi tạo vị trí ban đầu (công suất phát của các tổ máy) X id ứng với NP phần tử bầy đàn theo công thức (4.1)

Bước 3: Đặt Pbest id =X id Tính toán công suất phát của tổ máy cân bằng theo công thức (4.4) và tính hàm chi phí FPbestd ứng với Xid theo công thức (4.2) So sánh FPbestd của từng cá thể với lân cận của nó, xác định giá trị tốt nhất F Lbest =min(F Pbestd ) Đặt vị trí Lbest i = Pbest ứng với F Đặt số vòng lặp k=1

Bước 4: Tính vận tốc mới V theo công thức (2.12) và vị trí mới X theo công thức (2.13) Chú ý vận tốc và vị trí của con chim mới sẽ bị giới hạn bởi các điều kiện ràng buộc được cho trong công thức (4.6) và (4.10)

Bước 5: Tính toán công suất phát của tổ máy cân bằng theo công thức (4.4) dựa vào giá trị vị trí mới Pid=X

Bước 6: Tính hàm mục tiêu FT d theo công thức (4.2) và so sánh FTd với F ( ) tìm giá trị tốt nhất F ( )

Bước 7: Chọn lại giá trị Pbest ( ) mới ứng với F ( ) và tìm Lbest ( ) mới

(tương tự tìm Lbest ở bước 3) Chọn ra Pbest ứng với minF ( )

Bước 8: Nếu k < Itermax, k = k + 1 trở lại bước 4 Ngược lại thì dừng tiến trình Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp

Pháp Particle Swarm Optimization Cải Tiến

Lưu đồ giải thuật

Hình 4.1: Lưu đồ giải thuật của thuật toán IPSO

Khởi tạo vị trí ban đầu của các con chim chủ min 1 ( max min) di i i i

- Mỗi tổ Xid được đặt là Pbestid

- Tính công suất tổ máy phát cân bằng

- Tính toán hàm mục tiêu F Pbest

- Chọn số lượng hạt lân cận Nn=2n

- Hạt tốt nhất trong lân cận tìm kiếm được đặt là Lbest ứng với FLbest=minFPbest

- Thiết lặp số vòng lặp k=1

- Tính Vid và Xid mới dựa vào Lbest và Pbest

- Kiểm tra giới hạn cho phép để điều chỉnh

- Tính toán công suất tổ máy phát cân bằng

- Tính hàm mục tiêu FTd và so sánh với F giá trị tốt nhất đặt là F

- Chọn Pbest và Lbest theo F

- Chọn lại giá trị vị trí Pbest theo minF k < Itermax

Stop k=k+1 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

KẾT QUẢ ÁP DỤNG THUẬT TOÁN IPSO CHO BÀI TOÁN ĐIỀU ĐỘ NGUỒN PHÁT SỬ DỤNG ĐA NHIÊN LIỆU

Thiết lập bài toán

Hệ thống thử nghiệm gồm 10 tổ máy, mỗi tổ máy có hàm chi phí gồm nhiều đoạn bậc hai thể hiện các loại nhiên liệu khác nhau Tổng nhu cầu phụ tải được thay đổi từ 2400 MW đến 2700 MW với tổn hao công suất được bỏ qua Các thuật toán cho việc giải hệ thống thử nghiệm này được thực hiện trên Matlab 7.8.0

Thông số của 10 tổ máy được cho trong bảng 5.1

Với: ai, bi, ci, di, ei : Hệ số chí phí từng đoạn nhiên liệu của tổ máy thứ i

Pimin : Giới hạn dưới về công suất từng đoạn nhiên liệu của tổ máy thứ i (MW)

Pimax : Giới hạn trên về công suất từng đoạn nhiên liệu của tổ máy thứ i (MW)

TM : Tổ máy tổ máy thứ i

NL : Nhiên liệu thứ i Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

TM Đoạn NL a i b i c i d i e i P imin P imax

Bảng 5-1: Thông số của hệ thống gồm 10 tổ máy Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Hiệu quả tham số Cauchy trong IPSO

Hệ thống 10 tổ máy được cho như bảng 5.1, giá trị chi phí được tính toán sau

20 lần thử nghiệm đối với các nhu cầu phụ tải 2400MW, 2500MW, 2600MW, 2700MW Sử dụng tham số rand và Cauchy (y1 y2) tính toán V id trong công thức (2.13)

So sánh chi phí khi sử dụng tham số Cauchy và rand

TN rand1 và rand2 rand1 và y2 y1 và rand2 y1 và y2 Costmin

20 481.7522 489.5073 481.7734 481.7240 481.7240 Bảng 5-2: So sánh hiệu quả của việc sử dụng tham số Cauchy trong bài toán ELD cho tải

2400MW Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

TN rand1 và rand2 rand1 và y2 y1 và rand2 y1 và y2 Costmin

Số lần TN rand1 và rand2 rand1 và y2 y1 và rand2 y1 và y2 Costmin

Bảng 5-5: So sánh hiệu quả của việc sử dụng tham số Cauchy trong bài toán ELD cho tải

 Nhận xét: Khi sử dụng tham số Cauchy, các kết quả nhận được tốt hơn so với sử dụng tham số rand Do đó việc áp dụng tham số Cauchy trong IPSO vào bài toán ELD sẽ cải thiện được kết quả hơn so với các phương pháp PSO thông thường Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

So sánh hiệu quả IPSO với các phương pháp GPSO

Hệ thống 10 tổ máy được cho như bảng 5.1, giá trị chi phí được tính toán sau

20 lần thử nghiệm Sử dụng phương pháp IPSO như mục 2.5 tính toán chi phí và điều độ công suất cho các tổ máy đối với các nhu cầu phụ tải 2400MW, 2500MW, 2600MW, 2700MW trong 2 trường hợp Convex và Nonconvex Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Bảng 5-6: Chi phí phát điện sử dụng đa nhiên liệu cho tải 2400MW dùng convex

20 481.8061 481.7341 481.7457 483.7565 481.7236 487.9367 488.7137 489.5065 486.6746 481.7332 486.5117 481.7240 490.8769 492.1240 481.7262 495.1811 485.0139 483.7599 485.1268 Giá trị nhỏ nhất 481.7294 481.7273 481.7248 481.7230 481.7236 481.7230 481.7259 481.7228 481.7235 481.7229 481.7244 481.7227 481.7255 481.7274 481.7230 481.7234 481.7249 481.7229 481.7236 Giá trị lớn nhất 483.7642 485.4360 489.3211 492.1005 488.3862 489.5085 511.6722 489.7142 487.9866 492.4462 492.4465 487.9833 507.2187 495.0917 522.0347 495.1811 495.2308 495.2308 509.1737 Giá trị trung bình 481.8943 482.6697 483.3226 483.3282 483.5533 483.2601 485.9841 484.2870 484.4759 485.1319 485.3448 483.9494 487.1825 485.5683 487.7180 484.9958 486.4795 485.7265 487.0970 Độ lệch chuẩn 0.4355 1.4729 2.2598 2.7411 1.9280 2.6446 6.4408 2.8514 1.8632 3.6030 2.7924 1.9141 6.3482 3.7299 9.1112 3.6809 3.6818 3.7418 6.4640 Chi phí nhỏ nhất

9 10 11 12 13 14 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

14 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Số lần TN 1 2 3 4 5 6 7 8 9 10 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Số lần TN 1 2 3 4 5 6 7 8 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

Bảng 5-10: Chi phí phát điện sử dụng đa nhiên liệu cho tải 2400MW dùng non-convex

15 16 17 18 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

9 10 11 12 13 14 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Particle Swarm Optimization Cải Tiến

9 10 11 12 13 14 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Partical Swarm Optimization Cải Tiến

+ Tải 2400MW, chi phí thấp nhất khi n là 481,7227($/h)

+ Tải 2500MW, chi phí thấp nhất khi n=8 là 526,2389 ($/h)

+ Tải 2600MW, chi phí thấp nhất khi n là 574,3811($/h)

+ Tải 2400MW, chi phí thấp nhất khi n là 481,9006 ($/h)

+ Tải 2500MW, chi phí thấp nhất khi n là 526,4272 ($/h)

- Khi tăng kích thước khu vực lân cận của cá thể lên đến khi Lbest đạt giá trị Gbest, ta thấy các giá trị tối ưu nhận được đều không nằm trong khu vực các giá trị khi tính bằng Gbest Điều này chứng tỏ các phương pháp GPSO (tìm kiếm giá trị tối ưu bằng Gbest) không tốt bằng phương IPSO (tìm kiếm giá trị tối ưu bằng Lbest thông qua việc tăng kích thước lân cận của các cá thể) Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Partical Swarm Optimization Cải Tiến

So sánh phương pháp IPSO và các phương pháp khác

Áp dụng các phương pháp khác cho bài toán ở mục 5.1 Kết quả như sau:

Bảng 5-14: So sánh chi phí phát điện cho tải 2400MW trường hợp convex

Phương pháp Công suất phát (MW) Chi phí ($/h) CPU time (s)

IPSO 2500 526.2389 0.7644 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Partical Swarm Optimization Cải Tiến

IPSO 2700 623.8094 0.9828 Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Partical Swarm Optimization Cải Tiến

Bảng 5-18: So sánh chi phí phát điện cho tải 2700MW trường hợp non-convex

Kết quả dùng IPSO điều độ công suất tối ưu cho các tổ máy nhiệt điện

Công suất tối ưu phân phối cho từng tổ máy trong 2 trường hợp convex và nonconvex được trình bày trong bảng 5.18 và 5.19

Tổ máy Công suất phát điện tối ưu của từng tổ máy (MW)

Bảng 5-19: Phân phối công suất tối ưu cho từng tổ máy trường hợp convex Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Partical Swarm Optimization Cải Tiến

Tổ máy Công suất phát điện tối ưu của từng tổ máy (MW)

Bảng 5-20: Phân phối công suất tối ưu cho từng tổ máy trường hợp non-convex

Nhận xét

 Trường hợp convex: phương pháp IPSO cho kết quả chi phí và thời gian xử lý chấp nhận được so với các phương pháp so sánh, có thể sử dụng IPSO để giải quyết bài toán ELD

 Trường hợp non-convex: phương pháp IPSO cho kết quả tốt hơn so với các phương pháp so sánh, điều này chứng tỏ IPSO có ưu thế hơn để giải quyết bài toán ELD trong trường hợp non-convex Điều Độ Nguồn Phát Nhiệt Điện Bằng Phương SVTH: Nguyễn Ngọc Hợp Pháp Partical Swarm Optimization Cải Tiến

CHUYÊN ĐỀ ỨNG DỤNG FUEL CELL VÀO HỆ THỐNG TRUYỀN ĐỘNG TRONG PHƯƠNG TIỆN GIAO THÔNG

GIỚI THIỆU VỀ FUEL CELL

7.1.1 Lịch sử và quá trình phát triển

 Năng lượng giữ vai trò quan trọng và cơ bản của một quốc gia Thông qua chỉ số tiêu dùng năng lượng bình quân theo đầu người có thể phán đoán trình độ phát triển khoa học kỹ thuật, kinh tế của một quốc gia Tài nguyên năng lượng của thế giới rất đa dạng Các nguồn năng lượng truyền thống như củi, gỗ, than, dầu mỏ, khí đốt, đá cháy đã được phát hiện và sử từ sớm nhưng tỷ trọng ngày một giảm do vấn đề môi trường và tài nguyên cạn kiệt Nhờ sự phát triển của khoa học kỹ thuật, các nguồn năng lượng mới có hiệu quả cao như năng lượng hạt nhân, thủy điện nhưng có xu hướng giảm dần do vấn đề an toàn (chất thải phóng xạ) và tác động xã hội (di dời dân cư) Trong tương lai, các nguồn năng lượng sạch, có thể tái tạo như năng lượng sinh học, gió, mặt trời, địa nhiệt…và Fuel Cell sẽ là nguồn cung cấp năng lượng chính của nhân loại

 Fuel Cell - Pin nhiên liệu hay còn gọi là tế bào nhiên liệu là một thiết bị chuyển đổi năng lượng hóa học từ nhiên liệu thành điện năng thông qua phản ứng hóa học của các ion Hydro tích điện dương với Oxy hay các tác nhân Oxy hóa Pin nhiên liệu là khác với Pin (Battery) ở chỗ nó yêu cầu một nguồn nhiên liệu (thường là Hydro) và Oxy (hoặc không khí) liên tục để duy trì phản ứng hóa học, trong khi ở Pin các chất hóa học có sẵn trong pin phản ứng với nhau để tạo ra một lực điện động (emf) Pin nhiên liệu có thể sản xuất điện liên tục khi nguồn nhiên liện được cung cấp đầy đủ Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp

Truyền Động Trong Phương Tiện Giao Thông

 Pin nhiên liệu đầu tiên đã được phát minh năm 1839 bởi một nhà khoa học tự nhiên người xứ Wales Sir William Robert Grove Mô hình bao gồm hai điện cực platin được bao trùm bởi hai ống hình trụ bằng thủy tinh, một ống chứa Hydro và ống kia chứa Oxy Hai điện cực được nhúng trong axit sunfurit loãng là chất điện phân tạo thành dòng điện một chiều Nhưng vì việc chế tạo các hệ thống tế bào nhiên liệu quá phức tạp và giá thành đắt, công nghệ này dừng lại ở đấy

Hình 7-1: Mô hình pin nhiên liệu do William Robert Grove phát minh

Phải đến một thế kỷ sau, vào thập niên 1950, nó mới lần đầu được đưa vào thương mại trong chương trình không gian NASA để phát điện cho tàu thăm dò, vệ tinh và các buồng không gian (Space Capsule) Pin nhiên liệu được NASA sử dụng trong chương trình du hành vũ trụ Gemini phát triển vào năm 1965.Kể từ đó, Pin nhiên liệu đã được sử dụng trong nhiều ứng dụng khác Pin nhiên liệu được sử dụng cho điện chính và dự phòng cho các tòa nhà thương mại, công nghiệp và khu dân cư và vùng sâu vùng xa hoặc không thể tiếp cận Chúng cũng được sử dụng cho xe điện pin nhiên liệu, bao gồm cả xe nâng hàng, xe ô tô, xe buýt, tàu thuyền, xe gắn máy và tàu ngầm Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Pin nhiên liệu có nhiều loại, tuy nhiên, tất cả đều làm việc theo cách thức chung giống nhau Chúng được tạo thành từ ba bộ phận chính: Anode, chất điện phân, và Cathode Hai phản ứng hóa học xảy ra tại bề mặt tiếp xúc của ba bộ phận Kết quả của hai phản ứng là nhiên liệu được tiêu thụ, nước hoặc carbon dioxide được tạo ra, và một dòng điện được tạo ra

Hình 7-2: Cấu tạo của một fuel cell

Tại anode một chất xúc tác Oxy hóa nhiên liệu, thường là Hydrogen, biến nhiên liệu thành các ion mang điện tích dương và các electron mang điện tích âm Chất điện phân là một chất đặc biệt được tạo ra để các ion có thể đi qua nó, nhưng các electron không thể Các electron tự do di chuyển thông qua dây dẫn tạo ra dòng điện Các ion dương di chuyển đến các điện cực âm Khi đến điện cực âm, các ion tiếp xúc với các electron và cả hai phản ứng với một chất hóa học thứ ba, thường là oxy để tạo ra nước hoặc carbon dioxide Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

 Các chất điện phân: Các chất điện phân thường xác định các loại pin nhiên liệu

 Nhiên liệu được sử dụng: Các nhiên liệu phổ biến nhất là hydro

 Các chất xúc tác anode phân giải nhiên liệu thành các electron và ion Các chất xúc tác anode thường được tạo thành từ bột bạch kim là tốt nhất

 Các chất xúc tác cực âm biến ion thành các hoá chất thải như nước hoặc carbon dioxide Các chất xúc tác cực âm thường được tạo thành từ niken, nhưng nó cũng có thể là một chất xúc tác dựa trên vật liệu nano

Về phương diệnhóa họcpin nhiên liệu là phản ứng ngược lại của sựđiện phân Trong quá trình điện phânnướcbị tách ra thành HydrovàOxynhờ vào năng lượngđiện Pin nhiên liệu lấy chính hai chất này biến đổi chúng thành nước Qua đó, trên lý thuyết, chính phần năng lượng điện đã đưa vào sẽ được giải phóng nhưng thật ra, vì những thất thoát qua các quá trình hóa học và vật lý năng lượng thu được ít hơn Các loại Pin nhiên liệu đều cùng chung một nguyên tắc được mô tả dựa vào Pin nhiên liệu PEM (Proton Exchange Membrane - Pin nhiên liệumàngtrao đổi bằngproton) như sau: Ở bề mặt cực dương khí hiđrô bị ôxy hóa bằng hóa điện:

Cácđiện tửđược giải phóng đi từ cực dương qua mạch điện bên ngoài về cực âm CácprotonH+ di chuyển trongchất điện phân xuyên quamàngcó khả năng chỉ cho proton đi qua về cực âm kết hợp với khí ôxy có sẵn trong không khí (nồng độ 21%) và các điện tử tạo thành nước:

2H + O → 2H O Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Các loại Pin nhiên liệu được phân loại theo nhiều cách khác nhau:

 Phân loại theo nhiệt độ hoạt động

 Phân theo loại các chất tham gia phản ứng

 Phân loại theo điện cực

 Phân theo loại các chất điện phân là cách phân loại thông dụng ngày nay

Các loại Pin nhiên liệu phổ biến:

 AFC (Alkaline fuel cell - Pin nhiên liệu kiềm)

 PEMFC (Proton Exchange Membrane Fuel Cell – Pin nhiên liệu trao đổi hạt nhân qua mạng lọc)

 PAFC (Phosphoric acid fuel cell – Pin nhiên liệu axit phosphoric)

 MCFC (Molten carbonate fuel cell - Pin nhiên liệu carbonat nóng chảy)

 SOFC (Solid oxide fuel cell - Pin nhiên liệu oxit rắn)

 DMFC (Direct methanol fuel cell - Pin nhiên liệu methanol trực tiếp)

Trong các loại trên thì PEMFC có nhiều triển vọng dùng trong các loại xe cộ SOFC và APU cũng đều có khả năng trong ứng dụng trên ô tô PEMFC, MCFD và SOFC trong tương lai có thể được ứng dụng trên các trạm phát điện PAFC là công nghệ mới được nghiên cứu tuy nhiên vẫn còn nhiều vấn đề kĩ thuật DMFC có thể tạo bước đột phá trong lĩnh vực thiết bị di động AFC được có thể được ứng dụng trong ngành hàng không vũ trụ

Nhiệt độ vận hành của những loại tế bào nhiên liệu khác nhau (khoảng từ 60 tới

1000 độ C) Sự khác nhau còn nằm ở cấu trúc điện cực, sự tinh khiết của hydro ở Anode (DMFC dùng methanol) Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

 Trong các ưu điểm của pin nhiên liệu so với các hệ thống chuyển đổi cạnh tranh khác phải kể đến độ hiệu quả cao không phụ thuộc vào độ lớn của hệ thống Chúng cung cấp năng suất năng lượng điện từ 40% đến 70% điện, ngoài ra có thể đạt hơn 85% khi sử dụng đồng phát điện và nhiệt

 Ngoài ra việc vận hành pin nhiên liệu không phát sinh tiếng ồn và sản phẩm của phản ứng chỉ lànướcvàdioxit cacbon(nếu sử dụng các nhiên liệu hóa thạch) Pin nhiên liệu giảm sự phụ thuộc vàodầu mỏ, giảm lượng dioxit cacbon, một trong các khí gây rahiệu ứng nhà kính, cácoxitcủalưu huỳnhvànitơlà các khí gâyô nhiễm môi trườngđang là vấn đề lớn cho xã hội

 Các pin nhiên liệu không cần động cơ quay hay các bộ phận cơ học chuyển động, do đó tăng tuổi thọ và độ tin cậy

 Nhiệt độ vận hành của pin nhiên liệu cho phép dùng cùng với turbine hay những thiết bị áp dụng hơi nước nóng

 Giá thành sản xuất pin nhiên liệu quá cao để sản xuất đại trà do pin có các bộ phận sử dụng công nghệ chế tạo và vật liệu đắt tiền nhưchất xúc tác(bạch kim), màng trao đổi, điện cực

 Pin nhiên liệu có thể tích cồng kềnh, khó khăn khi đưa vào động cơ xe cộ

 Các pin nhiên liệu cần có tuổi thọ tối thiểu 40.000h để ứng dụng trong các công trình về trạm phát điện Đây là một ngưỡng khá cao

 Nhiên liệu hydro khó bảo quản và vận chuyển Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

HỆ THỐNG TRUYỀN ĐỘNG FUEL CELL VEHICLE (FCV)

Pin nhiên liệu riêng lẻ thường có điện áp khá thấp (khoảng 1V) Vì thế tùy vào điện áp cần dùng người ta xếp các các tế bào riêng lẻ chồng lên nhau Người ta gọi việc xếp các tế bào chồng lên nhau này là một Fuel Cell Stack hay đơn giản là một Stack

Hình 7-4: Mô hình Fuel Cell Stack Khối Fuel Cell Stack trên là một mô hình chung biểu diễn các loại Fuel Cell Stack phổ biến nhất dùng nhiên liệu hydro và không khí

Mạch tương đương của khối Fuel Cell Stack:

Hình 7-5: Mạch tương đương của Fuel Cell Stack Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

F = 96485 A s/mol z = Số lượng các electron chuyển động

E n = Điện áp Nernst, đó là nhiệt điện áp của pin nhiên liệu và phụ thuộc vào nhiệt độ và áp suất riêng phần của chất phản ứng và thành phần bên trong Stack i 0 = Dòng điện trao đổi, là dòng điện sinh ra do các electron các chất điện phân chuyển động qua lại tại thời điểm không tải Nó cũng phụ thuộc vào nhiệt độ và áp suất riêng phần của chất phản ứng bên trong Stack α = hệ số truyền điện, phụ thuộc vào loại điện cực và chất xúc tác sử dụng

T = Nhiệt độ hoạt động Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7-6: Đồ thị phân cực của Fuel Cell Stack

 Khu vực đầu tiên (Activation) biểu thị cho điện áp rơi dùng kích hoạt các phản ứng hóa học diễn ra tại bề mặt điện cực Tùy thuộc vào nhiệt độ và áp suất vận hành, loại điện cực, và chất xúc tác sử dụng, khu vực này có thể hẹp hoặc rộng hơn

 Khu vực thứ hai (Ohmic) biểu thị cho tổn thất điện trở do điện trở nội của fuel cell stack

 Khu vực thứ ba (Mass Transport) đại diện cho những tổn thất truyền tải do sự thay đổi nồng độ của chất phản ứng (nhiên liệu sử dụng).

MÔ HÌNH HỆ THỐNG TRUYỀN ĐỘNG FUEL CELL VEHICLE (FCV)

Mô hình FCV này được truyền động bởi một động cơ điện chạy bằng pin nhiên liệu (Fuel Cell) và pin (Battery) Mô hình gồm 3 khối chính:

 Khối FCV Vehicle Dynamics Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hì n h 7 -7: M ô h ình hệ th ố n g tr uyền đ ộ n g Fu el Cell Veh icle Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7-8: Mô hình khối Energy Management Subsystem

 Khối Energy Management Subsystem (EMS) nhận tín hiệu tốc độ xe, tốc độ động cơ (đo được từ bộ FCV Vehicle Dynamics) và vị chí bộ tăng ga (dao động từ -100% đến 100%, giá trị âm mô phỏng xe đang phanh) để điều khiển moment xoắn của động cơ và phân phối chính xác điện năng từ 2 nguồn điện (FC và Battery) Trong mô hình này vị trí bộ tăng ga được thiết lập trong Accel1 ở các mức 70%, 25%, 85%, -70% với thời gian tương ứng là 0s, 4s, 8s, 12s Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7 -9: Mạ ch E nerg y M a n a geme n t S u b sys te m Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

+ Khối Battery Management System (BMS): quản lý năng lượng Pin, duy trì trạng thái nạp điện State Of Charge (SOC) của Pin ở mức 40% đến 80% Khi điện năng trong Pin thấp hơn 40% (SOC < 40) Flip Flop RS trong BMS kích hoạt chế độ nạp điện cho pin đến khi năng lượng trong pin đạt trên 80% (SOC >80) sẽ ngắt quá trình nạp điện cho pin Ngoài ra nó còn ngăn cản sự sụp đổ điện áp bằng cách kiểm soát điện năng cần thiết từ Pin

+ Khối Power Management System (PMS): kiểm soát điện áp định mức của động cơ điện bằng cách tách đáp ứng điện năng từ pin và pin nhiên liệu Điện năng này được điều khiển bởi bộ chuyển đổi DC/DC (nằm trong mạch FCV Electrical Subsystem) Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7 -10 : Mạc h B atte ry Ma na g ement Syste m Hì n h 7 -11: Mạ ch Powe r M a n a geme n t S y stem Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7-12: Khối FCV Electrical Subsystem

Khối FCV Electrical Subsystem gồm có bốn phần: pin và pin nhiên liệu được gắn với bộ chuyển đổi DC/DC để cung cấp điện áp định mức cho động cơ điện thông qua bộ chuyển đổi AC/DC của động cơ

Khối FCV Electrical Subsy stem nhận các tín hiệu momen xoắn của động cơ điện năng của pin nhiên liệu từ EMS và tốc độ động cơ đo được từ xe để điều kiển điện năng đáp ứng từ pin và pin nhiên liệu và điều khiển momen xoắn của động cơ điện truyền cho bộ truyền động của xe trong khối FCV Vehicle Dynamics Lúc đầu dòng điện từ pin nhiên liệu truyền qua bộ chuyển đổi DC/DC, tùy điện năng của pin nhiên liệu truyền vào so với điện năng định mức của động cơ điện mà bộ chuyển đổi DC/DC sẽ điều chỉnh điện năng truyền vào từ Pin (Battery)

Cấu tạo chi tiết khối FCV Electrical Subsystem mô tả trong hình 7-12 Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7 -13 : Mạch F CV Elect rica l S u bsyst em Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

 Bộ chuyển đổi DC/DC (loại buck) điều khiển được dòng điện

 Pin là pin Lithium-Ion 13,9 Ah, 288 Vdc, 25 kW

 Động cơ điện là một máy điện đồng bộ nam châm vĩnh cửu 288 Vdc, 100 kW gắn với bộ truyền động của xe Động cơ này có 8 cực (loại rotor lồi) Sử dụng một bộ điều khiển vector thông lượng để động cơ đạt được tốc độ tối đa là 12.500 rpm Sơ đồ chi tiết được mô tả trong hình 2-10 Điện áp từ bộ chuyển đổi DC/DC được đưa vào bộ chuyển đổi 3 pha qua bộ đo áp sau đó đưa vào động cơ điện Tín hiệu tốc độ quay của động cơ điện được chuyển vào bộ điều khiển tốc độ (Speed Controller) rồi truyền vào bộ điều khiển vector thông lượng (VECT) để điều khiển momen xoắn của máy điện truyền vào bộ truyền động xe Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7 -14 : S ơ đồ h o ạt đ ộ n g m ạch độ ng cơ điện Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Khối FCV Vehicle Dynamics Subsystem gồm tất cả các bộ phận cơ khí của xe Mô hình chi tiết được mô phỏng trong hình 2.11 gồm các bộ phận sau:

 Trục truyền động (Drive Shaft): một đầu gắn với động cơ điện ở khối FCV Electrical Subsystem, một đầu gắn với bánh răng giảm đơn (Simple Gear), bộ ma sát tổng hợp (Total Friction), bộ môi trường truyền lực và cảm biến tốc độ

 Simple Gear : Bánh răng giảm đơn gắn với trục truyền động truyền giảm tốc độ quay truyền từ động cơ điện để tăng momen xoắn đến bộ vi sai và được gắn với hộp số

 Bộ vi sai (Differential): Chia momen xoắn nhận từ Simple Gear thành 2 phần bằng nhau truyền đến bộ phận bánh xe

 Tire: Mô phỏng bánh xe của xe với các thông số như bán kính vành xe, lực ép thẳng định mức lên lốp, lực ép dọc lớn nhất lên lốp tại tải định mức, tổn thất lực tối đa tại tải định mức, độ dãn nở của lốp ở tải định mức

 Tire inertia : mô phỏng quán tính lốp xe

 Bộ ma sát tổng hợp hay ma sát nhớt (total friction): biểu thị tất cả các tổn thất của hê thống cơ khí và được gắn với hộp cac-te (Housing)

 Cảm biến tốc độ (Speed sensor): đo tốc độ của động cơ xe để đưa vào khối EMS Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7 -15: Mô hìn h FC V Vehicle Dy namics S u bsy st em Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hệ thống được mô phỏng trong 1 chu kỳ là T = 16s

Các chế độ hoạt động của FCV trong một chu kỳ hoàn chỉnh là: gia tốc, giảm ga, tăng ga và hãm phanh Tương ứng với các vị trí bàn đạp ga đã thiết lập là 70%, 25%, 85%, và-70%

Hình 7-16: Biểu đồ vị trí bàn đạp ga, tốc độ xe, momen xoắn và công suất xe Ứng Dụng Fuel Cell Vào Hệ Thống SVTH: Nguyễn Ngọc Hợp Truyền Động Trong Phương Tiện Giao Thông

Hình 7-17: Biểu đồ đáp ứng điện năng của Pin nhiên liệu và Pin

Định dạng
Số trang	82
Dung lượng	2,14 MB